Modelos Analíticos de Aprendizaje Supervisado

Mapa de Conceptos

¿Cuál es el objetivo principal del Aprendizaje Supervisado? 

• Predecir las respuestas que habrá en el futuro, gracias al entrenamiento del algoritmo con datos conocidos del pasado (datos históricos).

Aprendizaje supervisado

Es una subcategoría del aprendizaje automático y la IA. 

Se define por el uso de conjuntos de datos etiquetados para entrenar algoritmos que clasifiquen datos o predigan resultados con precisión. 

El aprendizaje supervisado ayuda a las organizaciones a resolver una variedad de problemas del mundo real a gran escala, por ejemplo clasificar el correo no deseado o detectar fraude.

Tipos problemas aprendizaje supervisado 

Regresión

• Requiere la predicción de una variable continua.

• Puede tener como entrada valores continuos o discretos. 

• Un problema con múltiples variables de entrada a menudo se denomina problema de regresión multivariante. 

Clasificación

• Requiere variable objetivo con dos o más clases.

• Puede tener variables de entrada discretas o continuas.

• Un problema con dos clases se denomina problema de clasificación binaria y con más de dos clasificación multiclase.

¿Qué tipos de problemas resuelve el Aprendizaje Supervisado?

Problemas de Regresión

• En vez de predecir categorías, predicen valores numéricos. Es decir, la variable target en un problema de regresión es de tipo cuantitativa.

Problemas de Clasificación

• Necesitan predecir la clase más probable de un elemento, en función de un conjunto de variables de entrada. Para este tipo de algoritmos, la variable target o respuesta, es una variable de tipo categórica.

Depende del tipo de problema que plantea mi variable a predecir utilizaré un algoritmo de clasificación o de regresión.